视频世界模型需要可预测的潜空间：新研究让推理成本降低 5 倍

一项 arXiv 论文提出，为视频世界模型的潜空间加入时间预测目标并搭配过去条件化解码器，可在同等训练预算下同时提升生成质量与效率。改进后推理成本最多降低 5 倍、训练速度提升 7 倍以上，分布外与长时程场景的像素和感知误差下降 15-24%。用视觉语言模型基于像素预测评判任务成功率时，结果也更贴近真实世界策略评估。